标签： #neural ode

传统组合按月/季度再平衡，每次交易在月末造成冲击成本和暴露滞后；Neural ODE 把权重变化建模为连续时间常微分方程，用一个小 MLP 参数化漂移 f_theta(w,t)，通过 RK4 积分得到平滑调仓路径。本文用 numpy 从零实现 MLP、监督训练和 ODE 积分，证明在合成双资产组合上，连续控制的跟踪误差仅为月度离散的 1/170（0.0001 vs 0.0170），净财富追平理想目标跟随（0.977），且把月末交易尖峰摊成连续交易流。附完整 Python 与四张真实计算图。

普通神经网络是「离散层」——你叠 N 层就是 N 次变换，深度=层数、和参数量绑死。Neural ODE（Chen et al. 2018）换了个范式：隐藏状态不靠「第几层」，而靠「积分到时刻 T」得到，dh/dt=f_θ(h,t)，从 h(0)=x 用 RK4 积到 h(T) 再读出 y。于是「深度=积分时长 T」，可任意细分、与参数量解耦。本文用纯 numpy 从零实现 RK4 积分 + 把积分计算图展开做反向传播，在「数据来自已知非线性 ODE 流」的合成任务上实测：Neural ODE 测试集 R²=0.992、MSE=0.00204，相对固定深度 MLP(0.989) 改进 25.1%、相对线性(0.158) 改进 99.0%——因为连续流的归纳偏置正好匹配「数据来自连续动力学」。文章诚实拆穿「ODE 比 MLP 强是普适的 / 连续深度免费 / 反向传播廉价 / 数值积分无误差 / 小数据可辨识」五类真实误区（中阶）。